·264· 智能系统学报 第14卷 的智能大厦，贴片电阻也不例外。工厂生产出来 码形式，提出一种Pre-Training的方法初始化权 的贴片电阻，首先需要对其进行缺陷识别、极性 重，使其更加接近全局最小，随后再通过梯度下 方向识别、正反面识别和种类识别，才能保证贴 降法来Fine-Turning网络权重值，证明了采用这 片电阻的出厂质量，因此，生产企业迫切需要一 样的方法训练的网络比PCA方法更好：同时也证 种可行的贴片电阻识别检测方法，截至目前，虽 明了在参数相同的情况下，一个更深的网络结构 然已经有论文提出针对贴片电阻缺陷进行识别的 在测试数据集上具有更低的错误识别率，但这种 方法，但生产企业由于其识别性能原因依旧没有 优势会随着权值参数的增多而逐渐消失。Hin- 广泛的使用，贴片电阻在实际生产过程中的缺陷 ton所证明的结论为后续网络模型设计提供了理 识别、方向识别等还是依靠人工肉眼进行识别检 论依据。而LeCun所提出的卷积神经网络架构， 测，不仅检测速度慢，而且长期成本高、误检率高。 是一个真正意义上的深度网络架构，其不同于 针对上述问题，学者们提出的很多理论方法 传统的全连接式的受限制波尔滋曼机，并在图像 均可在贴片电阻识别中进行应用，比如模板匹配 算法-以PCA(主成分分析)法B-、Canny边缘检测 识别领域中取得了许多振奋人心的结果，通过端 到端的训练，能够自学习出易于分类的低维特 算法、B样条小波多尺度积边缘检测算法、自 征，完全避免了人为专家知识系统的构造，与其 适应阈值SUSAN边缘算法m等，通过使用这些方 相反所带来的代价是训练样本数据的收集。Hin- 法首先对贴片电阻图片进行特征提取，然后将提 ton所证明的结论对于真正意义的深度网络模型 取出的特征通过一个分类器进行识别分类，比如 支持向量机、决策树、贝叶斯分类器等进行 是有效的，对于全连接式的深度网络模型并不适 用，全连接网络总是会陷入过拟合现象，使得实 分类。上述过程从本质上来讲，就是通过人为的 际泛化效果并不理想。因此，选择识别性能更优 方式构造专家系统和知识库对贴片电阻图片进行 的卷积神经网络用于贴片电阻识别，充分借鉴前 特征抽取，将高度相关的数据编码形式解耦成易 人思想设计卷积神经网络，尽可能精简整个卷积 于分类的低维数据形式，随后将提取出的低维数 神经网络的可训练参数从而保证识别速度，基于 据向量通过一个分类器进行识别分类。上述系 此，对比研究得出了3种不同卷积神经网络结构 统的识别性能很大程度上取决于前半部分专家系 在贴片电阻识别任务中的实际效果。 统的构造，即对特定论域问题是否提取出了有用 的特征和是否将高维数据转换到易于分类的低维 1贴片电阻识别任务分析 有效空间，通常要构造出一个专家知识系统是极其 困难的，而且当研究论域一旦改变或者扩展，之前 从企业中调研可以发现，贴片电阻识别问题 构造的专家系统又不得不重新进行构造，这样的 是一个复杂的多分类任务问题。图1所示贴片电 再构造过程不仅是极其枯燥和乏味的，而且通常 阻图片来源于工厂实际拍摄，图中贴片电阻分类 情况由工厂中经验丰富的工人所提供，图l(a)为 情况下其实际效果也并不是事先所预想的那样。 50型号反面缺角缺陷，图1(c)为50型号正面涂 然而，上述问题可以通过卷积神经网络的方 层缺角缺陷，图1（©）为50型号反面腐蚀缺陷，图1 法进行特征提取，从而避免繁琐的专家知识系统 (g)为正面字迹不清缺陷，其余4张图片为无缺陷 的构造。神经网络早在20世纪40年代就已经被 电阻面。另一方面，假设贴片电阻已经做了外观 提出，其作为连接主义智能实现的典范，是当今 缺陷检查，通过的合格电阻在自动编带时还需确 人工智能深度学习方法的重要思想源泉，也是当 保正反面、方向的一致性，因此需要对贴片电阻 前类脑智能研究中的有效工具。自2006年以 正反面和方向进行识别，由于企业生产的贴片电 来，Hinton等在《科学》上发表文章将神经网络 阻型号种类繁多，如图2所示，尺寸一样表示同一 推向了深度学习时代，指出一个训练好的多层 种封装形式的贴片电阻，故还需要对贴片电阻种 神经网络可以将高维的数据转换成低维的数据编 类进行识别。 (a)反面缺角缺陷 (b)对应(a)的反面正常 (©)正面涂层缺角缺陷 (d)对应(c)的正面正常的智能大厦，贴片电阻也不例外。工厂生产出来 的贴片电阻，首先需要对其进行缺陷识别、极性 方向识别、正反面识别和种类识别，才能保证贴 片电阻的出厂质量，因此，生产企业迫切需要一 种可行的贴片电阻识别检测方法，截至目前，虽 然已经有论文提出针对贴片电阻缺陷进行识别的 方法，但生产企业由于其识别性能原因依旧没有 广泛的使用，贴片电阻在实际生产过程中的缺陷 识别、方向识别等还是依靠人工肉眼进行识别检 测，不仅检测速度慢，而且长期成本高、误检率高。 针对上述问题，学者们提出的很多理论方法 均可在贴片电阻识别中进行应用，比如模板匹配 算法[1-2] 、PCA(主成分分析) 法 [3-4] 、Canny 边缘检测 算法[5] 、B 样条小波多尺度积边缘检测算法[6] 、自 适应阈值 SUSAN 边缘算法[7]等，通过使用这些方 法首先对贴片电阻图片进行特征提取，然后将提 取出的特征通过一个分类器进行识别分类，比如 支持向量机[8] 、决策树[9] 、贝叶斯分类器[10]等进行 分类。上述过程从本质上来讲，就是通过人为的 方式构造专家系统和知识库对贴片电阻图片进行 特征抽取，将高度相关的数据编码形式解耦成易 于分类的低维数据形式，随后将提取出的低维数 据向量通过一个分类器进行识别分类。上述系 统的识别性能很大程度上取决于前半部分专家系 统的构造，即对特定论域问题是否提取出了有用 的特征和是否将高维数据转换到易于分类的低维 有效空间，通常要构造出一个专家知识系统是极其 困难的，而且当研究论域一旦改变或者扩展，之前 构造的专家系统又不得不重新进行构造，这样的 再构造过程不仅是极其枯燥和乏味的，而且通常 情况下其实际效果也并不是事先所预想的那样。 然而，上述问题可以通过卷积神经网络的方 法进行特征提取，从而避免繁琐的专家知识系统 的构造。神经网络早在 20 世纪 40 年代就已经被 提出，其作为连接主义智能实现的典范，是当今 人工智能深度学习方法的重要思想源泉，也是当 前类脑智能研究中的有效工具[11]。自 2006 年以 来，Hinton 等在《科学》上发表文章将神经网络 推向了深度学习时代[12] ，指出一个训练好的多层 神经网络可以将高维的数据转换成低维的数据编 码形式，提出一种 Pre-Training[13]的方法初始化权 重，使其更加接近全局最小，随后再通过梯度下 降法来 Fine-Turning 网络权重值，证明了采用这 样的方法训练的网络比 PCA 方法更好；同时也证 明了在参数相同的情况下，一个更深的网络结构 在测试数据集上具有更低的错误识别率，但这种 优势会随着权值参数的增多而逐渐消失。Hin￾ton 所证明的结论为后续网络模型设计提供了理 论依据。而 LeCun 所提出的卷积神经网络架构， 是一个真正意义上的深度网络架构[14] ，其不同于 传统的全连接式的受限制波尔兹曼机，并在图像 识别领域中取得了许多振奋人心的结果，通过端 到端的训练，能够自学习出易于分类的低维特 征，完全避免了人为专家知识系统的构造，与其 相反所带来的代价是训练样本数据的收集。Hin￾ton 所证明的结论对于真正意义的深度网络模型 是有效的，对于全连接式的深度网络模型并不适 用，全连接网络总是会陷入过拟合现象，使得实 际泛化效果并不理想。因此，选择识别性能更优 的卷积神经网络用于贴片电阻识别，充分借鉴前 人思想设计卷积神经网络，尽可能精简整个卷积 神经网络的可训练参数从而保证识别速度，基于 此，对比研究得出了 3 种不同卷积神经网络结构 在贴片电阻识别任务中的实际效果。 1 贴片电阻识别任务分析 从企业中调研可以发现，贴片电阻识别问题 是一个复杂的多分类任务问题。图 1 所示贴片电 阻图片来源于工厂实际拍摄，图中贴片电阻分类 情况由工厂中经验丰富的工人所提供，图 1(a) 为 50 型号反面缺角缺陷，图 1(c) 为 50 型号正面涂 层缺角缺陷，图 1(e) 为 50 型号反面腐蚀缺陷，图 1 (g) 为正面字迹不清缺陷，其余 4 张图片为无缺陷 电阻面。另一方面，假设贴片电阻已经做了外观 缺陷检查，通过的合格电阻在自动编带时还需确 保正反面、方向的一致性，因此需要对贴片电阻 正反面和方向进行识别，由于企业生产的贴片电 阻型号种类繁多，如图 2 所示，尺寸一样表示同一 种封装形式的贴片电阻，故还需要对贴片电阻种 类进行识别。 (a) 反面缺角缺陷 (b) 对应(a)的反面正常 (c) 正面涂层缺角缺陷 (d) 对应(c)的正面正常 ·264· 智 能 系 统 学 报 第 14 卷